Журнал: Том 30, № 3, 2025
Сторінки: 61 – 69
DOI: https://doi.org/10.62660/bcstu/3.2025.61
1 033 Перегляди

Нечітка модель керування транспортними потоками у містах

Владислав Варнава, Олексій Сілагін
Отримано 28.02.2025
Доопрацьовано 02.07.2025
Прийнято 15.09.2025

Анотація

Актуальність дослідження зумовлена необхідністю підвищення ефективності регулювання транспортних потоків у містах для поліпшення екологічної ситуації, зменшення заторів та стимулювання економічного розвитку. Сучасні методи керування на основі фіксованих графіків роботи світлофорів не здатні адаптуватися до нестандартних та непередбачуваних ситуацій на дорогах. Метою дослідження була розробка моделі керування транспортними потоками на основі використання методів нечіткої логіки. Методологія дослідження передбачала побудову моделі нечіткого логічного висновку, яка дозволяє трансформувати вхідні параметри (інтенсивність руху, час очікування, аварійні події) в лінгвістичні змінні та автоматизувати процес прийняття рішень щодо налаштувань світлофорів. За допомогою моделі проведено імітаційне моделювання роботи системи в різноманітних дорожніх та погодних умовах. Розроблено адаптивну систему керування транспортними потоками, яка оперативно реагує на зміни дорожньої ситуації в реальному часі. Встановлено, що впровадження запропонованої моделі дозволяє зменшити середній час очікування автомобілів на 25 %, знизити кількість транспортних засобів, що зупиняються на перехресті, на 7 % та підвищити середню кількість транспортних засобів, які проїжджають через перехрестя, на 6 %. Проаналізовано ефективність розробленої системи в порівнянні зі стандартними методами керування світлофорами. Оцінено перспективи розширення функціональності моделі для врахування додаткових вхідних параметрів, зокрема надання пріоритету громадському транспорту, пішоходам та екстреним службам. Практична цінність дослідження полягає в можливості застосування результатів фахівцями з міського планування, інтелектуальних транспортних систем та транспортної логістики для оптимізації роботи світлофорних об’єктів у містах

Ключові слова

інтелектуальне регулювання; адаптивне керування; алгоритми нечіткого виведення; міська мобільність; автоматизація світлофорів; лінгвістична змінна

Використані джерела

  1. Agrahari, A., Dhabu, M.M., Deshpande, P.S., Tiwari, A., Baig, M.A., & Sawarkar, A.D. (2024). Artificial intelligence-based adaptive traffic signal control system: A comprehensive review. Electronics, 13(19), article number 3875. doi: 10.3390/electronics13193875.
  2. Alam, J., & Pandey, M.K. (2013). Intellegent traffic light control system for isolated intersection using fuzzy logic. In Proceedings of the conference on advances in communication and control systems (CAC2S 2013) (pp. 209-215). Dehradun: DIT University. doi: 10.13140/RG.2.1.4854.6406.
  3. Allahverdiyev, E.N. (2023). Selection of transmitters using fuzzy logic for gas metering systems under uncertainty. Technologies and Engineering, 2, 42-49. doi: 10.30857/2786-5371.2023.2.1.
  4. Bhatia, M.S., & Aggarwal, A. (2020). Congestion control by reducing wait time at the traffic junction using fuzzy logic controller. International Journal of Sensors, Wireless Communications and Control, 10(6), 989-1000. doi: 10.2174/2210327910666200226113614.
  5. Bi, Y., Ding, Q., Du, Y., Liu, D., & Ren, S. (2024). Intelligent traffic control decisionmaking based on type2 fuzzy and reinforcement learning. Electronics, 13(19), article number 3894. doi: 10.3390/electronics13193894.
  6. Dasgupta, S., Rahman, M., & Jones, S. (2023). Harnessing digital twin technology for adaptive traffic signal control: Improving signalized intersection performance and user satisfaction. ArXiv. doi: 10.48550/ arxiv.2309.16673.
  7. Fahrunnisa, Z., Rahmadwati, R., & Setyawan, R.A. (2024). Adaptive traffic light signal control using fuzzy logic based on real-time vehicle detection from video surveillance. Jurnal Ilmiah Teknik Elektro Komputer dan Informatika (JITEKI), 10(2), 235-251. doi: 10.26555/jiteki.v10i2.28712.
  8. Gandrybida, V., Bondarenko, D., & Sevastyanov, V. (2024). Advancements in automated traffic management using fuzzy logic: Prospects and challenges. Information Technologies and Computer Engineering, 21(3), 86-95. doi: 10.63341/vitce/3.2024.86.
  9. Inağ, Y., & Arıkan, M. (2024). A fuzzy based intelligent traffic light control (ITLC) method: An implementation in Ankara city. Bitlis Eren Üniversitesi Fen Bilimleri Dergisi, 14(1), 98-110. doi: 10.17798/bitlisfen.1388486.
  10. Kljaić, Z., Pavković, D., Mlinarić, T.J., & Nikšić, M. (2021). Scheduling of traffic entities under reduced traffic flow by means of fuzzy logic control. Promet – Traffic & Transportation, 33(4), 621-632. doi: 10.7307/ptt.v33i4.3686.
  11. Kumar, N., Rahman, S.S., & Dhakad, N. (2021). Fuzzy inference enabled deep reinforcement learning-based traffic light control for intelligent transportation system. IEEE Transactions on Intelligent Transportation Systems, 22(8), 4919-4928. doi: 10.1109/TITS.2020.2984033.
  12. Lazhenko, A., & Bila, T. (2020). Evaluation of motor-compressor energy efficiency using control systems of a household refrigerator. Technologies and Engineering, 3, 30-36. doi: 10.30857/1813-6796.2020.3.5.
  13. Li, M., Wang, J., Du, B., Shen, J., & Wu, Q. (2025). FuzzyLight: A robust two-stage fuzzy approach for traffic signal control works in real cities. In Proceedings of the 31st ACM SIGKDD conference on knowledge discovery and data mining (pp. 2393-2404). Toronto: Association for Computing Machinery. doi: 10.1145/3690624.3709393.
  14. Lin, H., Han, Y., Cai, W., & Jin, B. (2022). Traffic signal optimization based on fuzzy control and differential evolution algorithm. IEEE Transactions on Intelligent Transportation Systems, 24(1), 8555-8566. doi: 10.1109/ TITS.2022.3195221.
  15. Madrigal Arteaga, V.M., Pérez Cruz, J.R., Hurtado-Beltrán, A., & Trumpold, J. (2022). Efficient intersection management based on an adaptive fuzzy-logic traffic signal. Applied Sciences, 12(12), article number 6024. doi: 10.3390/app12126024.
  16. Michailidis, P., Michailidis, I., Lazaridis, C.R., & Kosmatopoulos, E. (2025). Traffic signal control via reinforcement learning: A review on applications and innovations. Infrastructures, 10(5), article number 114. doi: 10.3390/ infrastructures10050114.
  17. Shevchenko, V.V. (2023). Justification of the effective direction of development of traffic light control systems with fixed cycle regulation. Journal of Mechanical Engineering and Transport, 16(2), 110-119. doi: 10.31649/24134503-2022-16-2-110-119.
  18. Teerapun, M., & Sumek, W. (2024). Traffic signal control with state-optimizing deep reinforcement learning and fuzzy logic. Applied Sciences, 14(17), article number 7908. doi: 10.3390/app14177908.
  19. Tsopa, V.A., Cheberiachko, S.I., Deriugin, O.V., & Pyshchykova, O.V. (2023). Features of risk assessment of road traffic accidents during cargo transportation under adverse conditions. Bulletin of Kryvyi Rih National University, 21(1), 55-62. doi: 10.31721/2306-5451-2023-1-56-86-95.
  20. Zadeh, L.A. (1996). Fuzzy logic = computing with words. IEEE Transactions on Fuzzy Systems, 4(2), 103-111. doi: 10.1109/91.493904.
  21. Zrigui, I., Khoulji, S., & Kerkeb, M.L. (2025). Integrated strategy for urban traffic optimization: Prediction, adaptive signal control, and distributed communication via messaging. ArXiv. doi: 10.48550/arXiv.2501.02008 

ЦИТУВАТИ

Varnava, V., & Silagin, О. (2025). Application of fuzzy logic to manage traffic flows in cities. Bulletin of Cherkasy State Technological University, 30(3), 61-69. https://doi.org/10.62660/bcstu/3.2025.61